摘要 | 第5-7页 |
Abstract | 第7-9页 |
第一章 绪论 | 第13-22页 |
1.1 研究背景和意义 | 第13-14页 |
1.2 国内外研究现状 | 第14-20页 |
1.2.1 压缩感知理论 | 第14-17页 |
1.2.2 压缩感知在无线传感器网络中的应用 | 第17-20页 |
1.3 本文的主要研究内容及组织结构 | 第20-22页 |
第二章 压缩感知理论及分布式压缩感知框架 | 第22-38页 |
2.1 压缩感知的基本概念 | 第23-25页 |
2.2.信号的获取 | 第25-26页 |
2.3 信号的重构 | 第26-31页 |
2.3.1 信号重构的稳定性和鲁棒性 | 第27-28页 |
2.3.2 压缩感知重构算法 | 第28-31页 |
2.4 分布式压缩感知及其数学模型 | 第31-35页 |
2.5 分布式稀疏信号重构场景 | 第35-37页 |
2.6 本章小结 | 第37-38页 |
第三章 基于平均一致的分布式贝叶斯稀疏信号重构算法 | 第38-66页 |
3.0 引言 | 第38页 |
3.1 平均一致策略 | 第38-42页 |
3.1.1 基础概念 | 第39-41页 |
3.1.2 平均一致性算法 | 第41-42页 |
3.2 系统模型及问题描述 | 第42-44页 |
3.3 变分贝叶斯学习 | 第44-47页 |
3.4 集中式稀疏信号重构算法 | 第47-49页 |
3.5 分布式稀疏信号重构算法 | 第49-54页 |
3.6 可扩展性分析 | 第54页 |
3.7 仿真分析 | 第54-65页 |
3.7.1 合成信号实验 | 第55-63页 |
3.7.2 真实信号实验 | 第63-65页 |
3.8 本章小结 | 第65-66页 |
第四章 基于JSM-2 的分布式稀疏信号重构算法 | 第66-82页 |
4.1 引言 | 第66页 |
4.2 系统模型及问题描述 | 第66-68页 |
4.3 集中式稀疏信号重构算法 | 第68-70页 |
4.4 分布式稀疏信号重构算法 | 第70-75页 |
4.5 仿真分析 | 第75-81页 |
4.6 本章小结 | 第81-82页 |
第五章 基于JSM-1 的鲁棒分布式稀疏信号重构 | 第82-99页 |
5.1 引言 | 第82页 |
5.2 系统模型及问题描述 | 第82-85页 |
5.3 鲁棒的变分贝叶斯集中式稀疏信号重构 | 第85-90页 |
5.4 鲁棒的变分贝叶斯分布式稀疏信号重构 | 第90-92页 |
5.4.1 基于随机梯度扩散策略的分布式算法设计 | 第90-91页 |
5.4.2 算法描述 | 第91-92页 |
5.5 仿真分析 | 第92-98页 |
5.6 本章小结 | 第98-99页 |
第六章 基于一致滤波的分布式时变稀疏信号重构算法 | 第99-118页 |
6.1 引言 | 第99-101页 |
6.2. 应用卡尔曼滤波的时变稀疏信号重构 | 第101-103页 |
6.2.1 稀疏信号恢复 | 第101页 |
6.2.2 嵌入伪观测的卡尔曼滤波 | 第101-103页 |
6.3 系统模型及问题描述 | 第103-107页 |
6.4 嵌入伪观测的容积信息滤波 | 第107-108页 |
6.5 嵌入伪观测的均方根容积信息滤波 | 第108-110页 |
6.6 嵌入伪观测的分布式平方根容积信息滤波 | 第110-113页 |
6.7 仿真分析 | 第113-117页 |
6.8 本章小结 | 第117-118页 |
第七章 基于粒子滤波的时变稀疏信号重构算法 | 第118-136页 |
7.1 引言 | 第118-119页 |
7.2 系统模型及问题描述 | 第119-120页 |
7.3 基于粗量化观测的粒子滤波算法 | 第120-124页 |
7.4 稀疏信号恢复 | 第124-127页 |
7.4.1 迭代伪观测更新方法 | 第124-125页 |
7.4.2 稀疏容积点滤波方法 | 第125-127页 |
7.5 算法描述 | 第127-129页 |
7.6 仿真结果 | 第129-134页 |
7.7 本章小结 | 第134-136页 |
总结和展望 | 第136-139页 |
总结 | 第136-137页 |
展望 | 第137-139页 |
附录A | 第139-143页 |
附录B | 第143-145页 |
参考文献 | 第145-160页 |
攻读博士学位期间取得的研究成果 | 第160-162页 |
致谢 | 第162-163页 |
附件 | 第163页 |